load("SHOC-humain.RData")SHOC-humain
data
quiz
participant.es
sexe
Femme, homme, NA, en fonction des prénoms détectés dans les emails.
cocheurs
Correspondance des emails entre les répondant.es au quiz et les 1741 cocheurs sur cocheurs.fr
ancienneté
Ancienneté déclaré par les répondant.es pour le.s suivis participatifs
departement
Département français métropolitain + suisse
01 02 03 04 05 06 07 08 09 10 11 13 14 15 16 17
10 2 2 2 4 2 3 2 3 6 4 4 4 1 2 7
18 19 21 22 23 24 25 26 27 28 29 2B 30 31 32 33
10 1 6 5 4 8 2 6 2 4 8 2 7 12 5 15
34 35 37 38 40 41 42 43 44 45 46 47 48 49 50 51
10 7 7 7 2 6 13 2 23 7 7 2 1 16 2 3
52 53 55 56 57 58 59 60 62 63 64 65 66 67 68 69
3 7 1 9 1 1 11 5 10 3 3 1 7 4 7 10
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
1 7 5 2 3 4 4 3 13 17 5 6 1 6 6 10
86 87 88 89 90 91 92 93 94 95 su <NA>
4 2 1 3 2 7 10 5 3 5 2 1 région, biorégion
Départements associés à une région admin, à une biorégion (INPN)
bagueurs
Correspondances des emails entre les participant.es et les 32 premiers bagueurs (CRBPO)
expert SP
Si participation_stoc == “Oui”, participation_shoc == “Oui”, participation_epoc == “Oui”, bagueur == “Oui” ou nb_obs_cocheurs >= 300, alors la·e participant·e est considéré·e comme expert·e.
species
Nom vernatuclaire et code espèce
shoc
Tendances SHOC
Augmentation forte Augmentation modérée
16 4
Augmentation modérée à forte Déclin fort
9 4
Déclin modéré Déclin modéré à fort
8 2
Incertain Stable
53 12 stoc
Tendances SHOC et STOC
traits
catégories de tendances
[1] "avis quiz shoc"
En augmentation En déclin Fluctuante Je ne sais pas Stable
2146 3496 1139 2501 5208
<NA>
0
Fort Modéré Modéré à fort <NA>
681 3095 1519 9195
Augmentation Déclin Fluctuante Incertain Stable <NA>
2146 3496 1139 2501 5208 0
Augmentation Augmentation fort
194 179
Augmentation modéré Augmentation modéré à fort
1323 450
Déclin Déclin fort
192 501
Déclin modéré Déclin modéré à fort
1744 1059
Fluctuante Fluctuante modéré
1132 7
Incertain Incertain modéré
2499 1
Incertain modéré à fort Stable
1 5178
Stable fort Stable modéré
1 20
Stable modéré à fort <NA>
9 0
Augmentation Augmentation fort
194 179
Augmentation modéré Augmentation modéré à fort
1323 450
Déclin Déclin fort
192 501
Déclin modéré Déclin modéré à fort
1744 1059
Fluctuante Incertain
1139 2501
Stable <NA>
5208 0 [1] "catégoies quiz shoc après transformation en 2 nouveaux"[1] "niveau 1"
Augmentation Déclin Fluctuante Incertain Stable
2146 3496 1139 2501 5208 [1] "niveau 2"
Augmentation fort Augmentation modéré
179 1323
Augmentation modéré à fort Déclin fort
450 501
Déclin modéré Déclin modéré à fort
1744 1059
Fluctuante Incertain
1139 2501
Stable
5208 [1] "catégoies des tendances shoc"[1] "niveau 1"
Augmentation Déclin Incertain Stable
29 14 53 12 [1] "niveau 2"
Augmentation fort Augmentation modéré
16 4
Augmentation modéré à fort Déclin fort
9 4
Déclin modéré Déclin modéré à fort
8 2
Incertain Stable
53 12 dataset
comparaison SHOC vs Humain
Si tendances SHOC et réponses identiques ou différentes
Niveau 1 :
Augmentation = augmentation
Déclin = déclin
Stable = stable
Incertain = je ne sais pas, fluctuante ou incertain
[1] "Jeu de données propres à analyser"exploration données
email espece avis_niv1 avis_niv2
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
migrateur migrateur_simplifie regime abondance
Length:13720 Length:13720 Length:13720 Min. : 1500
Class :character Class :character Class :character 1st Qu.: 281250
Mode :character Mode :character Mode :character Median : 775000
Mean :1685679
3rd Qu.:1862500
Max. :9000000
detectabilite gregaire fluctuante popularite
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
abondance_log abondance_div departement participation_stoc
Min. : 7.313 Min. :0.0015 Length:13720 Length:13720
1st Qu.:12.540 1st Qu.:0.2812 Class :character Class :character
Median :13.560 Median :0.7750 Mode :character Mode :character
Mean :13.334 Mean :1.6857
3rd Qu.:14.420 3rd Qu.:1.8625
Max. :16.013 Max. :9.0000
participation_shoc participation_epoc participation_odj sexe
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
cocheur nb_obs_cocheurs anciennete region
Length:13720 Min. :111.0 Min. : 0.000 Length:13720
Class :character 1st Qu.:265.0 1st Qu.: 0.000 Class :character
Mode :character Median :344.5 Median : 4.000 Mode :character
Mean :334.3 Mean : 5.857
3rd Qu.:415.0 3rd Qu.:10.000
Max. :482.0 Max. :41.000
NA's :12264
bioregion bagueur expert tendance_shoc
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
tendances_stoc tendances_stoc_simplifie tendances_stoc_simplifie_2
Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character
Mode :character Mode :character Mode :character
tendance_shoc_niv1 tendance_shoc_niv2 comparaison_niv1 comparaison_niv2
Length:13720 Length:13720 Length:13720 Length:13720
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
[1] "espece"
Accenteur mouchet Alouette des champs Bouscarle de Cetti
490 490 490
Bruant zizi Chardonneret élégant Choucas des tours
490 490 490
Geai des chênes Grimpereau des jardins Grive draine
490 490 490
Grive litorne Grosbec cassenoyaux Merle noir
490 490 490
Mésange bleue Mésange noire Mésange nonnette
490 490 490
Pic vert Pie bavarde Pigeon ramier
490 490 490
Pinson des arbres Pipit farlouse Pouillot véloce
490 490 490
Roitelet à triple bandeau Roitelet huppé Rougegorge familier
490 490 490
Tarin des aulnes Tourterelle turque Troglodyte mignon
490 490 490
Verdier d'Europe <NA>
490 0 [1] "departement"
01 02 03 04 05 06 07 08 09 10 11 13 14 15 16 17
280 56 56 56 112 56 84 56 84 168 112 112 112 28 56 196
18 19 21 22 23 24 25 26 27 28 29 2B 30 31 32 33
280 28 168 140 112 224 56 168 56 112 224 56 196 336 140 420
34 35 37 38 40 41 42 43 44 45 46 47 48 49 50 51
280 196 196 196 56 168 364 56 644 196 196 56 28 448 56 84
52 53 55 56 57 58 59 60 62 63 64 65 66 67 68 69
84 196 28 252 28 28 308 140 280 84 84 28 196 112 196 280
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
28 196 140 56 84 112 112 84 364 476 140 168 28 168 168 280
86 87 88 89 90 91 92 93 94 95 su <NA>
112 56 28 84 56 196 280 140 84 140 56 0 [1] "participation_stoc"
Non Oui <NA>
7840 5880 0 [1] "participation_shoc"
Non Oui <NA>
8176 5544 0 [1] "participation_epoc"
Non Oui <NA>
9492 4228 0 [1] "sexe"
F H <NA>
2856 8512 2352 [1] "cocheur"
Non Oui <NA>
12264 1456 0 [1] "anciennete"
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
3640 644 980 1148 924 1120 504 392 504 140 1400 280 336 84 28 448
17 18 19 20 21 22 23 24 25 41 <NA>
84 140 28 392 28 56 168 112 112 28 0 [1] "region"
Auvergne-Rhône-Alpes Bourgogne-Franche-Comté
2016 1092
Bretagne Centre-Val de Loire
644 1288
Corse Grand Est
56 952
Hauts-de-France Île-de-France
728 1176
Normandie Nouvelle-Aquitaine
1120 1792
Occitanie Pays de la Loire
1820 448
Provence-Alpes-Côte d’Azur su
532 56
<NA>
0 [1] "bioregion"
ALP ATL CON MATL MED MMED <NA>
1092 2072 6776 2408 476 896 0 [1] "bagueur"
Non Oui <NA>
12796 924 0 [1] "expert"
Non Oui <NA>
5124 8596 0 [1] "tendances_stoc"
Augmentation forte Augmentation modérée
1470 2940
Augmentation modérée à forte Déclin fort
490 980
Déclin modéré Déclin modéré à fort
3430 1470
Stable <NA>
2450 490 [1] "tendances_stoc_simplifie"
Augmentation Déclin Stable <NA>
4900 5880 2450 490 [1] "tendances_stoc_simplifie_2"
Changement incertain ou stable <NA>
10780 2450 490 [1] "detectabilite"
Faible Forte <NA>
6860 6860 0 [1] "gregaire"
Non Oui <NA>
5880 7840 0 [1] "fluctuante"
Non Oui <NA>
10290 3430 0 [1] "migrateur"
Non Oui Partiel <NA>
4410 1470 7840 0 [1] "migrateur simplifié"
Non Oui <NA>
4410 9310 0 [1] "abondance"
1500 22500 45000 75000 80000 225000 3e+05 4e+05 525000 650000
490 490 490 490 490 980 490 490 490 490
7e+05 750000 8e+05 1250000 1300000 1500000 1650000 2500000 3250000 4e+06
980 490 490 490 490 1470 490 490 980 490
4500000 6500000 9e+06 <NA>
490 490 490 0 [1] "regime"
Granivore Insectivore Omnivore <NA>
4410 4410 4900 0 [1] "popularite"
Non Oui <NA>
5390 8330 0 [1] "comparaison_niv1"
different identique <NA>
9436 4284 0 [1] "comparaison_niv2"
different identique <NA>
10500 2864 356 Chi² : tendances vs hasard
tendance shoc
Chi-squared test for given probabilities
data: obs_shoc
X-squared = 700, df = 3, p-value < 2.2e-16 Tendance Observé Attendu Résidu_std.Var1 Résidu_std.Freq
Augmentation Augmentation 4410 3430 Augmentation 19.321836
Déclin Déclin 3920 3430 Déclin 9.660918
Incertain Incertain 2940 3430 Incertain -9.660918
Stable Stable 2450 3430 Stable -19.321836p-value < 0.05 → la distribution est significativement différente du hasard
avis niv 1
Chi-squared test for given probabilities
data: obs_avis_niv1
X-squared = 3238.7, df = 4, p-value < 2.2e-16 Tendance Observé Attendu Résidu_std.Var1 Résidu_std.Freq
Augmentation Augmentation 2033 2744 Augmentation -15.17513
Déclin Déclin 3269 2744 Déclin 11.20527
Fluctuante Fluctuante 1054 2744 Fluctuante -36.07029
Incertain Incertain 2361 2744 Incertain -8.17451
Stable Stable 5003 2744 Stable 48.21467p-value < 0.05 → la distribution est significativement différente du hasard
Chi² : tendance shoc vs avis niv 1
categories_communes <- intersect(names(obs_shoc), names(obs_avis_niv1))
obs_shoc_c <- obs_shoc[categories_communes]
obs_avis_c <- obs_avis_niv1[categories_communes]
tab_chi2 <- rbind(
SHOC = obs_shoc_c,
AVIS = obs_avis_c
)
tab_chi2 Augmentation Déclin Incertain Stable
SHOC 4410 3920 2940 2450
AVIS 2033 3269 2361 5003chisq.test(tab_chi2)
Pearson's Chi-squared test
data: tab_chi2
X-squared = 1834.5, df = 3, p-value < 2.2e-16res <- chisq.test(tab_chi2)
print("résidus")[1] "résidus"res$stdres Augmentation Déclin Incertain Stable
SHOC 30.39867 5.03482 5.647143 -39.01322
AVIS -30.39867 -5.03482 -5.647143 39.01322print("proportions")[1] "proportions"prop.table(tab_chi2, margin = 1) Augmentation Déclin Incertain Stable
SHOC 0.3214286 0.2857143 0.2142857 0.1785714
AVIS 0.1605084 0.2580925 0.1864045 0.3949945p-value < 0.05 → les distributions diffèrent significativement entre SHOC et AVIS
Conclusions :
Interprétation catégorie par catégorie 🔹 Augmentation
Résidus :
SHOC +27.6
AVIS −27.6
Proportions :
SHOC 30.0 %
AVIS 16.1 %
👉 Augmentation est massivement plus fréquente dans SHOC que dans AVIS C’est l’un des moteurs principaux du χ².
🔹 Déclin
Résidus :
SHOC +0.92
AVIS −0.92
Proportions :
SHOC 26.7 %
AVIS 26.2 %
👉 Aucune différence réelle Déclin se comporte de la même manière dans les deux sources.
🔹 Incertain
Résidus :
SHOC +16.1
AVIS −16.1
Proportions :
SHOC 26.7 %
AVIS 18.6 %
👉 Incertain est fortement sur-représenté dans SHOC Clairement différent entre les deux distributions.
🔹 Stable
Résidus :
SHOC −42.2
AVIS +42.2
Proportions :
SHOC 16.7 %
AVIS 39.1 %
👉 Stable est massivement plus fréquent dans AVIS que dans SHOC C’est le contraste le plus fort du tableau.
En résumé
Les distributions de tendances diffèrent fortement entre SHOC et AVIS (χ², p < 0.001). Les écarts sont principalement dus à une sur-représentation des modalités « Augmentation » et « Incertain » dans SHOC, tandis que la modalité « Stable » est largement dominante dans AVIS. La modalité « Déclin » ne montre pas de différence significative entre les deux sources.
SHOC → profil plus dynamique / incertain : plus d’Augmentation, plus d’Incertain, peu de Stable
AVIS → profil nettement plus stable, Stable ≈ 40 %, moins d’Augmentation
👉 Ce n’est pas un effet d’échantillon, mais un changement structurel de profil.
Interprétations possibles ?
Chez les participant.es, biais vers le stable, et peu d’aumgmentation. En demandant de répondre pour des tendances, on pense moins facilement à répondre stable ? Et oin parle beaucoup des déclins (média, crise ecolo…), mais peu des augmentations, donc les gens n’y pensent pas ?
proportion identique vs different
niveau 1
[1] "proportion de tendances d'identiques vs différentes, niveau 1"[1] "toutes les tendances" Var1 Freq prop
1 different 9436 0.6877551
2 identique 4284 0.3122449
3 <NA> 0 0.0000000[1] "toutes declin et augmentation seulement" Var1 Freq prop
1 different 5964 0.7159664
2 identique 2366 0.2840336
3 <NA> 0 0.0000000niveau 2
[1] "proportion de tendances d'identiques vs différentes, niveau 2"[1] "toutes les tendances" Var1 Freq prop
1 different 10500 0.76530612
2 identique 2864 0.20874636
3 <NA> 356 0.02594752[1] "toutes declin et augmentation seulement" Var1 Freq prop
1 different 5964 0.7159664
2 identique 2366 0.2840336
3 <NA> 0 0.0000000glmer
Modèles biomiale, algorithme d’optimisation “bobyqa”.
niv1
Augmentation, stable, déclin
effets aléatoires
Selection des effets aléatoires : email, espece, departement, region, bioregion
Random effect variances not available. Returned R2 does not account for random effects.Random effect variances not available. Returned R2 does not account for random effects.# Comparison of Model Performance Indices
Name | Model | AIC (weights) | AICc (weights) | BIC (weights)
--------------------------------------------------------------------------
m_niv10.1 | glmerMod | 18077.3 (<.001) | 18077.3 (<.001) | 18092.5 (<.001)
m_niv10.2 | glmerMod | 15863.0 (>.999) | 15863.0 (>.999) | 15878.2 (>.999)
m_niv10.3 | glmerMod | 18031.6 (<.001) | 18031.6 (<.001) | 18046.8 (<.001)
m_niv10.4 | glmerMod | 17959.1 (<.001) | 17959.1 (<.001) | 17974.3 (<.001)
m_niv10.5 | glmerMod | 18034.0 (<.001) | 18034.0 (<.001) | 18049.2 (<.001)
Name | R2 (cond.) | R2 (marg.) | RMSE | Sigma | Log_loss | Score_log
--------------------------------------------------------------------------
m_niv10.1 | | 0.000 | 0.460 | 1.000 | 0.620 | -Inf
m_niv10.2 | 0.227 | 0.000 | 0.422 | 1.000 | 0.707 | -Inf
m_niv10.3 | 0.002 | 0.000 | 0.459 | 1.000 | 0.620 | -Inf
m_niv10.4 | 6.570e-04 | 0.000 | 0.459 | 1.000 | 0.620 | -Inf
m_niv10.5 | | 0.000 | 0.459 | 1.000 | 0.620 | -Inf
Name | ICC | Score_spherical
---------------------------------------
m_niv10.1 | |
m_niv10.2 | 0.227 | 7.779e-04
m_niv10.3 | 0.002 |
m_niv10.4 | 6.570e-04 |
m_niv10.5 | | [1] "m_niv10.2"Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: comparaison_niv1 ~ 1 + (1 | espece)
Data: dataset
Control: glmerControl(optimizer = "bobyqa")
AIC BIC logLik -2*log(L) df.resid
15863.0 15878.2 -7929.5 15859.0 14728
Scaled residuals:
Min 1Q Median 3Q Max
-1.5835 -0.6344 -0.4205 0.7996 4.4077
Random effects:
Groups Name Variance Std.Dev.
espece (Intercept) 0.9664 0.9831
Number of obs: 14730, groups: espece, 30
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.9989 0.1806 -5.532 3.17e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Comparison of Model Performance Indices
Name | Model | AIC (weights) | AICc (weights) | BIC (weights)
---------------------------------------------------------------------------
m_niv10.2 | glmerMod | 15863.0 (<.001) | 15863.0 (<.001) | 15878.2 (<.001)
m_niv10.21 | glmerMod | 15862.4 (<.001) | 15862.4 (<.001) | 15885.2 (<.001)
m_niv10.22 | glmerMod | 15821.4 (<.001) | 15821.4 (<.001) | 15844.2 (<.001)
m_niv10.23 | glmerMod | 15767.4 (>.999) | 15767.4 (>.999) | 15790.2 (>.999)
m_niv10.24 | glmerMod | 15827.3 (<.001) | 15827.3 (<.001) | 15850.1 (<.001)
Name | R2 (cond.) | R2 (marg.) | ICC | RMSE | Sigma | Log_loss
-----------------------------------------------------------------------
m_niv10.2 | 0.227 | 0.000 | 0.227 | 0.422 | 1.000 | 0.707
m_niv10.21 | 0.232 | 0.000 | 0.232 | 0.421 | 1.000 | 0.707
m_niv10.22 | 0.230 | 0.000 | 0.230 | 0.421 | 1.000 | 0.709
m_niv10.23 | 0.227 | 0.000 | 0.227 | 0.422 | 1.000 | 0.708
m_niv10.24 | 0.227 | 0.000 | 0.227 | 0.422 | 1.000 | 0.708
Name | Score_log | Score_spherical
----------------------------------------
m_niv10.2 | -Inf | 7.779e-04
m_niv10.21 | -Inf | 1.178e-04
m_niv10.22 | -Inf | 1.721e-04
m_niv10.23 | -Inf | 2.536e-04
m_niv10.24 | -Inf | 6.468e-04[1] "m_niv10.23"Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: comparaison_niv1 ~ 1 + (1 | espece) + (1 | region)
Data: dataset
Control: glmerControl(optimizer = "bobyqa")
AIC BIC logLik -2*log(L) df.resid
15767.4 15790.2 -7880.7 15761.4 14637
Scaled residuals:
Min 1Q Median 3Q Max
-1.6183 -0.6330 -0.4253 0.7829 4.5990
Random effects:
Groups Name Variance Std.Dev.
espece (Intercept) 0.963282 0.9815
region (Intercept) 0.004435 0.0666
Number of obs: 14640, groups: espece, 30; region, 13
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.0037 0.1816 -5.526 3.27e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Random effect variances not available. Returned R2 does not account for random effects.# Comparison of Model Performance Indices
Name | Model | AIC (weights) | AICc (weights) | BIC (weights)
----------------------------------------------------------------------------
m_niv10.23 | glmerMod | 15767.4 (0.239) | 15767.4 (0.239) | 15790.2 (0.933)
m_niv10.231 | glmerMod | 15767.8 (0.194) | 15767.8 (0.194) | 15798.2 (0.017)
m_niv10.232 | glmerMod | 15766.0 (0.478) | 15766.0 (0.478) | 15796.4 (0.042)
m_niv10.233 | glmerMod | 15769.4 (0.088) | 15769.4 (0.088) | 15799.8 (0.008)
Name | R2 (cond.) | R2 (marg.) | RMSE | Sigma | Log_loss | Score_log
----------------------------------------------------------------------------
m_niv10.23 | 0.227 | 0.000 | 0.422 | 1.000 | 0.708 | -Inf
m_niv10.231 | 0.231 | 0.000 | 0.421 | 1.000 | 0.708 | -Inf
m_niv10.232 | 0.229 | 0.000 | 0.421 | 1.000 | 0.708 | -Inf
m_niv10.233 | | 0.000 | 0.422 | 1.000 | 0.708 | -Inf
Name | Score_spherical | ICC
-------------------------------------
m_niv10.23 | 2.536e-04 | 0.227
m_niv10.231 | 9.712e-05 | 0.231
m_niv10.232 | 2.011e-04 | 0.229
m_niv10.233 | 2.536e-04 | effets fixes
selection des effets fixes
espece
Variables liées à la biologies des espèces : tendances_stoc, tendances_stoc_simplifie, tendances_stoc_simplifie_2, detectabilite, gregaire, fluctuante, migrateur, abondance, regime
participant.es
Variables liées aux caractéristiques des participants : participation_stoc, participation_shoc, participation_epoc, sexe, cocheur, bagueur, expert
espece + participant
Selection des combinaisons de variables liées aux espèces et aux participant.es. Pré-selection des variables séparemment précédemment.
niv1 dredge
espece
participant.es
niv1 dredge MINI
_espece
dt_model_espece_alone <- dataset %>%
na.omit("espece","region")
dt_model_espece_alone$espece <- as.factor(dt_model_espece_alone$espece)
contrasts(dt_model_espece_alone$espece) <- contr.sum
dt_model_espece_alone$espece <- as.character(dt_model_espece_alone$espece)
m_espece_alone <- glmer(comparaison_niv1 ~ espece +
(1 | region),
data = dt_model_espece_alone, family = binomial, control = glmerControl(optimizer = "bobyqa"))summary(m_espece_alone)Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: comparaison_niv1 ~ espece + (1 | region)
Data: dt_model_espece_alone
Control: glmerControl(optimizer = "bobyqa")
AIC BIC logLik -2*log(L) df.resid
1312.9 1456.9 -628.4 1256.9 1241
Scaled residuals:
Min 1Q Median 3Q Max
-2.0726 -0.6127 -0.2722 0.6617 5.1121
Random effects:
Groups Name Variance Std.Dev.
region (Intercept) 0.01615 0.1271
Number of obs: 1269, groups: region, 12
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.98232 0.32770 -2.998 0.002721 **
especeAlouette des champs -1.69742 0.67975 -2.497 0.012520 *
especeBouscarle de Cetti 0.68081 0.44416 1.533 0.125322
especeBruant zizi -0.44931 0.49349 -0.910 0.362567
especeChardonneret élégant -2.14931 0.79221 -2.713 0.006667 **
especeChoucas des tours 0.23065 0.45928 0.502 0.615527
especeGeai des chênes -2.17158 0.79196 -2.742 0.006106 **
especeGrimpereau des jardins -2.14919 0.79223 -2.713 0.006671 **
especeGrive draine 0.51603 0.44293 1.165 0.244000
especeGrive litorne -0.93308 0.54509 -1.712 0.086938 .
especeMerle noir -0.62236 0.50606 -1.230 0.218771
especeMésange bleue 1.75398 0.45185 3.882 0.000104 ***
especeMésange noire -0.17127 0.47501 -0.361 0.718420
especeMésange nonnette 0.48119 0.44160 1.090 0.275874
especePic vert 1.78563 0.45082 3.961 7.47e-05 ***
especePie bavarde 0.03093 0.46092 0.067 0.946500
especePigeon ramier 1.21973 0.44304 2.753 0.005903 **
especePinson des arbres 1.28183 0.43531 2.945 0.003234 **
especePipit farlouse 0.29818 0.44708 0.667 0.504804
especePouillot véloce -0.19388 0.47411 -0.409 0.682591
especeRoitelet à triple bandeau -0.31937 0.48285 -0.661 0.508335
especeRoitelet huppé 0.32967 0.44821 0.736 0.462017
especeRougegorge familier -0.98269 0.54407 -1.806 0.070892 .
especeTarin des aulnes -1.67526 0.68018 -2.463 0.013780 *
especeTourterelle turque 0.55125 0.44435 1.241 0.214755
especeTroglodyte mignon -1.69907 0.67980 -2.499 0.012442 *
especeVerdier d'Europe 2.36064 0.49624 4.757 1.96e-06 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Correlation matrix not shown by default, as p = 27 > 12.
Use print(x, correlation=TRUE) or
vcov(x) if you need it_step1
_1 trait
comparaison_niv1 ~ migrateur + migrateur_simplifie + regime +
detectabilite + gregaire + fluctuante + popularite + (1 |
espece) + (1 | region)fixed-effect model matrix is rank deficient so dropping 1 column / coefficient# Check for Multicollinearity
Low Correlation
Term VIF VIF 95% CI adj. VIF Tolerance Tolerance 95% CI
migrateur 1.76 [1.63, 1.91] 1.33 0.57 [0.52, 0.61]
regime 1.84 [1.70, 2.00] 1.36 0.54 [0.50, 0.59]
detectabilite 1.33 [1.25, 1.43] 1.15 0.75 [0.70, 0.80]
gregaire 1.78 [1.66, 1.94] 1.34 0.56 [0.52, 0.60]
fluctuante 1.42 [1.33, 1.53] 1.19 0.71 [0.65, 0.75]
popularite 1.71 [1.59, 1.85] 1.31 0.59 [0.54, 0.63][1] FALSEFixed term is "(Intercept)"
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
fixed-effect model matrix is rank deficient so dropping 1 column / coefficientGlobal model call: glmer(formula = comparaison_niv1 ~ migrateur + migrateur_simplifie +
regime + detectabilite + gregaire + fluctuante + popularite +
(1 | espece) + (1 | region), data = dt_model_1, family = binomial,
control = glmerControl(optimizer = "bobyqa"))
---
Model selection table
(Int) dtc flc grg mgr mgr_smp ppl rgm df logLik AIC delta weight
1 -1.0820 3 -673.512 1353.0 0.00 0.099
5 -1.2960 + 4 -673.171 1354.3 1.32 0.051
17 -1.2460 + 4 -673.390 1354.8 1.76 0.041
2 -1.0050 + 4 -673.462 1354.9 1.90 0.038
3 -1.0990 + 4 -673.503 1355.0 1.98 0.037
33 -1.1160 + 4 -673.505 1355.0 1.98 0.037
9 -1.2410 + 5 -672.686 1355.4 2.35 0.031
25 -1.2410 + + 5 -672.686 1355.4 2.35 0.031
65 -0.9800 + 5 -672.983 1356.0 2.94 0.023
6 -1.2330 + + 5 -673.145 1356.3 3.26 0.019
21 -1.3260 + + 5 -673.163 1356.3 3.30 0.019
37 -1.3270 + + 5 -673.165 1356.3 3.30 0.019
7 -1.2900 + + 5 -673.165 1356.3 3.31 0.019
13 -1.3580 + + 6 -672.184 1356.4 3.34 0.019
29 -1.3580 + + + 6 -672.184 1356.4 3.34 0.019
18 -1.1700 + + 5 -673.347 1356.7 3.67 0.016
49 -1.2720 + + 5 -673.385 1356.8 3.75 0.015
19 -1.2460 + + 5 -673.389 1356.8 3.75 0.015
34 -1.0590 + + 5 -673.423 1356.8 3.82 0.015
4 -1.0180 + + 5 -673.459 1356.9 3.89 0.014
35 -1.1540 + + 5 -673.489 1357.0 3.95 0.014
10 -1.1270 + + 6 -672.586 1357.2 4.15 0.012
26 -1.1270 + + + 6 -672.586 1357.2 4.15 0.012
11 -1.2400 + + 6 -672.639 1357.3 4.25 0.012
27 -1.2400 + + + 6 -672.639 1357.3 4.25 0.012
41 -1.2010 + + 6 -672.675 1357.3 4.32 0.011
57 -1.2010 + + + 6 -672.675 1357.3 4.32 0.011
66 -0.8172 + + 6 -672.765 1357.5 4.50 0.010
69 -1.2650 + + 6 -672.769 1357.5 4.51 0.010
81 -1.1780 + + 6 -672.831 1357.7 4.64 0.010
97 -0.8770 + + 6 -672.957 1357.9 4.89 0.009
67 -1.0020 + + 6 -672.970 1357.9 4.92 0.008
14 -1.2590 + + + 7 -672.110 1358.2 5.20 0.007
30 -1.2590 + + + + 7 -672.110 1358.2 5.20 0.007
73 -1.1750 + + 7 -672.111 1358.2 5.20 0.007
89 -1.1750 + + + 7 -672.111 1358.2 5.20 0.007
38 -1.2740 + + + 6 -673.117 1358.2 5.21 0.007
8 -1.2180 + + + 6 -673.133 1358.3 5.24 0.007
22 -1.2640 + + + 6 -673.136 1358.3 5.25 0.007
23 -1.3290 + + + 6 -673.151 1358.3 5.28 0.007
53 -1.3550 + + + 6 -673.157 1358.3 5.29 0.007
15 -1.3560 + + + 7 -672.158 1358.3 5.29 0.007
31 -1.3560 + + + + 7 -672.158 1358.3 5.29 0.007
39 -1.3160 + + + 6 -673.162 1358.3 5.30 0.007
45 -1.3100 + + + 7 -672.165 1358.3 5.31 0.007
61 -1.3100 + + + + 7 -672.165 1358.3 5.31 0.007
50 -1.2110 + + + 6 -673.317 1358.6 5.61 0.006
20 -1.1640 + + + 6 -673.340 1358.7 5.66 0.006
51 -1.2700 + + + 6 -673.385 1358.8 5.75 0.006
36 -1.0920 + + + 6 -673.413 1358.8 5.80 0.005
12 -1.1370 + + + 7 -672.558 1359.1 6.09 0.005
28 -1.1370 + + + + 7 -672.558 1359.1 6.09 0.005
42 -1.1320 + + + 7 -672.585 1359.2 6.15 0.005
58 -1.1320 + + + + 7 -672.585 1359.2 6.15 0.005
70 -1.0840 + + + 7 -672.612 1359.2 6.20 0.004
82 -1.0120 + + + 7 -672.621 1359.2 6.22 0.004
43 -1.2220 + + + 7 -672.637 1359.3 6.25 0.004
59 -1.2220 + + + + 7 -672.637 1359.3 6.25 0.004
85 -1.3110 + + + 7 -672.733 1359.5 6.44 0.004
98 -0.8322 + + + 7 -672.764 1359.5 6.50 0.004
68 -0.8230 + + + 7 -672.764 1359.5 6.50 0.004
101 -1.2120 + + + 7 -672.765 1359.5 6.50 0.004
71 -1.2660 + + + 7 -672.768 1359.5 6.51 0.004
74 -0.9686 + + + 8 -671.774 1359.5 6.52 0.004
90 -0.9686 + + + + 8 -671.774 1359.5 6.52 0.004
77 -1.4170 + + + 8 -671.786 1359.6 6.55 0.004
93 -1.4170 + + + + 8 -671.786 1359.6 6.55 0.004
113 -1.0700 + + + 7 -672.800 1359.6 6.58 0.004
83 -1.1780 + + + 7 -672.830 1359.7 6.64 0.004
99 -0.9038 + + + 7 -672.953 1359.9 6.88 0.003
105 -0.9367 + + + 8 -671.961 1359.9 6.90 0.003
121 -0.9367 + + + + 8 -671.961 1359.9 6.90 0.003
75 -1.1750 + + + 8 -672.061 1360.1 7.10 0.003
91 -1.1750 + + + + 8 -672.061 1360.1 7.10 0.003
16 -1.2650 + + + + 8 -672.096 1360.2 7.17 0.003
32 -1.2650 + + + + + 8 -672.096 1360.2 7.17 0.003
46 -1.2530 + + + + 8 -672.109 1360.2 7.19 0.003
62 -1.2530 + + + + + 8 -672.109 1360.2 7.19 0.003
54 -1.3010 + + + + 7 -673.110 1360.2 7.20 0.003
40 -1.2600 + + + + 7 -673.113 1360.2 7.20 0.003
24 -1.2580 + + + + 7 -673.116 1360.2 7.21 0.003
55 -1.3460 + + + + 7 -673.149 1360.3 7.27 0.003
47 -1.3220 + + + + 8 -672.149 1360.3 7.27 0.003
63 -1.3220 + + + + + 8 -672.149 1360.3 7.27 0.003
52 -1.2060 + + + + 7 -673.316 1360.6 7.61 0.002
78 -1.2040 + + + + 9 -671.532 1361.1 8.04 0.002
94 -1.2040 + + + + + 9 -671.532 1361.1 8.04 0.002
44 -1.1540 + + + + 8 -672.554 1361.1 8.08 0.002
60 -1.1540 + + + + + 8 -672.554 1361.1 8.08 0.002
86 -1.1290 + + + + 8 -672.565 1361.1 8.11 0.002
72 -1.0770 + + + + 8 -672.603 1361.2 8.18 0.002
102 -1.1410 + + + + 8 -672.604 1361.2 8.18 0.002
84 -1.0030 + + + + 8 -672.605 1361.2 8.18 0.002
114 -1.0170 + + + + 8 -672.621 1361.2 8.22 0.002
109 -1.2190 + + + + 9 -671.708 1361.4 8.39 0.001
125 -1.2190 + + + + + 9 -671.708 1361.4 8.39 0.001
117 -1.2370 + + + + 8 -672.723 1361.4 8.42 0.001
87 -1.3170 + + + + 8 -672.725 1361.5 8.43 0.001
106 -0.8774 + + + + 9 -671.742 1361.5 8.46 0.001
122 -0.8774 + + + + + 9 -671.742 1361.5 8.46 0.001
79 -1.4100 + + + + 9 -671.757 1361.5 8.49 0.001
95 -1.4100 + + + + + 9 -671.757 1361.5 8.49 0.001
76 -0.9763 + + + + 9 -671.758 1361.5 8.49 0.001
92 -0.9763 + + + + + 9 -671.758 1361.5 8.49 0.001
103 -1.2000 + + + + 8 -672.762 1361.5 8.50 0.001
100 -0.8454 + + + + 8 -672.763 1361.5 8.50 0.001
115 -1.0450 + + + + 8 -672.789 1361.6 8.55 0.001
107 -0.9586 + + + + 9 -671.950 1361.9 8.88 0.001
123 -0.9586 + + + + + 9 -671.950 1361.9 8.88 0.001
48 -1.2650 + + + + + 9 -672.096 1362.2 9.17 0.001
64 -1.2650 + + + + + + 9 -672.096 1362.2 9.17 0.001
56 -1.2890 + + + + + 8 -673.101 1362.2 9.18 0.001
110 -1.1440 + + + + + 10 -671.522 1363.0 10.02 0.001
126 -1.1440 + + + + + + 10 -671.522 1363.0 10.02 0.001
80 -1.2070 + + + + + 10 -671.524 1363.0 10.02 0.001
96 -1.2070 + + + + + + 10 -671.524 1363.0 10.02 0.001
88 -1.1280 + + + + + 9 -672.539 1363.1 10.05 0.001
118 -1.1660 + + + + + 9 -672.562 1363.1 10.10 0.001
104 -1.1230 + + + + + 9 -672.599 1363.2 10.17 0.001
116 -0.9842 + + + + + 9 -672.604 1363.2 10.18 0.001
111 -1.2360 + + + + + 10 -671.700 1363.4 10.38 0.001
127 -1.2360 + + + + + + 10 -671.700 1363.4 10.38 0.001
119 -1.2120 + + + + + 9 -672.706 1363.4 10.39 0.001
108 -0.8945 + + + + + 10 -671.736 1363.5 10.45 0.001
124 -0.8945 + + + + + + 10 -671.736 1363.5 10.45 0.001
112 -1.1570 + + + + + + 11 -671.517 1365.0 12.01 0.000
128 -1.1570 + + + + + + + 11 -671.517 1365.0 12.01 0.000
120 -1.1350 + + + + + + 10 -672.538 1365.1 12.05 0.000
Models ranked by AIC(x)
Random terms (all models):
1 | espece, 1 | regionGeneralized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: comparaison_niv1 ~ (1 | espece) + (1 | region)
Data: dt_model_1
Control: glmerControl(optimizer = "bobyqa")
AIC BIC logLik -2*log(L) df.resid
1353.0 1368.5 -673.5 1347.0 1266
Scaled residuals:
Min 1Q Median 3Q Max
-1.8589 -0.6095 -0.3192 0.7051 4.0107
Random effects:
Groups Name Variance Std.Dev.
espece (Intercept) 1.31764 1.1479
region (Intercept) 0.01854 0.1362
Number of obs: 1269, groups: espece, 27; region, 12
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.0819 0.2378 -4.549 5.39e-06 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1###_2 SP
_3 participant
_4 tendances
_step2
_1
[1] "best final model !!!!!!!"Generalized linear mixed model fit by maximum likelihood (Laplace
Approximation) [glmerMod]
Family: binomial ( logit )
Formula: comparaison_niv1 ~ anciennete + expert + tendance_shoc + (1 |
espece) + (1 | region)
Data: dt_model_2.1
Control: glmerControl(optimizer = "bobyqa")
AIC BIC logLik -2*log(L) df.resid
1338.7 1400.4 -657.3 1314.7 1257
Scaled residuals:
Min 1Q Median 3Q Max
-2.1159 -0.5965 -0.3471 0.7114 4.1147
Random effects:
Groups Name Variance Std.Dev.
espece (Intercept) 0.39262 0.6266
region (Intercept) 0.01128 0.1062
Number of obs: 1269, groups: espece, 27; region, 12
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.25338 0.55807 -2.246 0.02471 *
anciennete 0.02415 0.01161 2.080 0.03751 *
expertOui -0.38238 0.20529 -1.863 0.06251 .
tendance_shocAugmentation modéré 0.03398 0.67690 0.050 0.95996
tendance_shocAugmentation modéré à fort 0.67590 0.63836 1.059 0.28968
tendance_shocDéclin fort 2.86727 0.90489 3.169 0.00153 **
tendance_shocDéclin modéré -0.01949 0.60882 -0.032 0.97446
tendance_shocDéclin modéré à fort 0.78553 0.87878 0.894 0.37138
tendance_shocIncertain -0.81064 0.63910 -1.268 0.20466
tendance_shocStable 1.64754 0.61609 2.674 0.00749 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Warning in abbreviate(rn, minlength = 11): abbreviate utilisé avec des
caractères non ASCII
Correlation of Fixed Effects:Warning in abbreviate(rn, minlength = 6): abbreviate utilisé avec des
caractères non ASCII (Intr) ancnnt exprtO tnd_Am t_Amàf tnd_Df tnd_Dm t_Dmàf tndn_I
anciennete -0.041
expertOui -0.278 -0.236
tndnc_shcAm -0.747 0.001 0.001
tndnc_sAmàf -0.791 0.005 -0.006 0.652
tndnc_shcDf -0.559 0.012 -0.008 0.461 0.489
tndnc_shcDm -0.827 0.001 0.000 0.681 0.722 0.510
tndnc_sDmàf -0.576 0.004 -0.001 0.474 0.503 0.356 0.525
tndnc_shcIn -0.789 -0.003 0.005 0.649 0.688 0.485 0.720 0.500
tndnc_shcSt -0.820 0.014 -0.009 0.676 0.718 0.508 0.749 0.522 0.713_2 interaction
intelligence collective
variables
avis_niv1 = “Déclin” ~ -1,“Augmentation” ~ 1, “Stable” ~ 0
round
ou
mean avis <= -0.2 ~ “Déclin”, mean avis >= 0.2 ~ “Augmentation”, -0.2 < mean avis > 0.2 ~ “Stable”
-1 0 1 <NA>
3269 5003 2033 0 Chi² : shoc vs round
Augmentation Déclin Stable
SHOC 9 8 5
AVIS 1 5 22Warning in chisq.test(tab_chi2_round): L’approximation du Chi-2 est peut-être
incorrecte
Pearson's Chi-squared test
data: tab_chi2_round
X-squared = 17.325, df = 2, p-value = 0.0001729Warning in chisq.test(tab_chi2_round): L’approximation du Chi-2 est peut-être
incorrecte[1] "résidus" Augmentation Déclin Stable
SHOC 3.276367 1.480904 -3.932849
AVIS -3.276367 -1.480904 3.932849[1] "proportions" Augmentation Déclin Stable
SHOC 0.40909091 0.3636364 0.2272727
AVIS 0.03571429 0.1785714 0.7857143Chi² : shoc vs quantile 0.2
Augmentation Déclin Stable
SHOC 9 8 5
AVIS 6 11 11
Pearson's Chi-squared test
data: tab_chi2_quantile02
X-squared = 2.6417, df = 2, p-value = 0.2669[1] "résidus" Augmentation Déclin Stable
SHOC 1.492094 -0.2113049 -1.245935
AVIS -1.492094 0.2113049 1.245935[1] "proportions" Augmentation Déclin Stable
SHOC 0.4090909 0.3636364 0.2272727
AVIS 0.2142857 0.3928571 0.3928571tendances par espece
mean_intel_dt <- mean_intel_dt %>%
left_join(tendance_shoc)Joining with `by = join_by(espece)`dt_intel_quantile02 <- mean_intel_dt %>%
dplyr::select(espece, round_avis_niv1_intel_cat, quantile02_avis_niv1_intel_cat, tendance_shoc_niv1) %>%
rename(espece = espece,
`tendance moyenne arrondie quiz` = round_avis_niv1_intel_cat,
`tendance moyenne quantile (-0.2, 0.2) quiz` = quantile02_avis_niv1_intel_cat,
`tendance stat SHOC` = tendance_shoc_niv1)
dt_intel_quantile02 %>%
datatable(extensions = 'Buttons',
options = list(dom = 'Blfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
lengthMenu = list(c(10,25,50,-1),
c(10,25,50,"All"))))dt_intel_quantile02# A tibble: 28 × 4
espece tendance moyenne arr…¹ tendance moyenne qua…² `tendance stat SHOC`
<chr> <chr> <chr> <chr>
1 Accenteur… Stable Déclin Déclin
2 Alouette … Déclin Déclin Incertain
3 Bouscarle… Stable Augmentation Augmentation
4 Bruant zi… Stable Stable Augmentation
5 Chardonne… Stable Déclin Incertain
6 Choucas d… Stable Augmentation Augmentation
7 Geai des … Stable Stable Déclin
8 Grimperea… Stable Stable Augmentation
9 Grive dra… Stable Déclin Déclin
10 Grive lit… Déclin Déclin Incertain
# ℹ 18 more rows
# ℹ abbreviated names: ¹`tendance moyenne arrondie quiz`,
# ²`tendance moyenne quantile (-0.2, 0.2) quiz`save environnement
save.image(file = "SHOC-humain.RData")